异常检验

一：基于统计（RobustScaler）【单变量，且服从特定的概率分布。不适合高维数据】

二：基于距离（Knorr和Ng/VLDB' 1998）【低维空间】
1,基于索引（index-based）
2,嵌套循环（nested-loop）
3,基于单元（cell-based）
三：基于偏差（Argrawal和Ragaran/KDD' 1995）
序列异常技术【适用性不高】
OLAP数据立方体技术【可适用于多维数据】
四：基于密度（LOF）【不适用于高维空间】

基于聚类的方法【只适于特定的数据类型。适用于大规模的数据集】

专门的异常点检测算法（One Class SVM/Isolation Forest）

基于模糊神经网络的模糊规则
模糊极大极小神经网络分类器（FMM）
模糊自适应共振理论（F-ART）
模糊学习市量量化分类器（FLVQ）
模糊神经网络（FNN）
模糊多层感知机（FMLP）

几种新兴的孤立点挖掘算法
基于关联的方法  FindFPOF 【适用于较大规模的离散属性数据集】
基于粗糙集的方法 【适用于离散属性数据集】
基于人工神经网络的方法【不适用于包含放射状孤立点的数据集】

基于平均密度的孤立点检测（ADOD）
高维数据孤立点检测
基于有限比较的最大频繁项目集挖掘算法
基于加权最大频繁模式的孤立点检测

A：概念/类描述：特征化和区分
B: 关联分析
C: 分类预测
D: 聚类
F: 孤立点分析